基于深度学习的高能物理约束快速多标签分类
高能物理 - 唯象学
2025-04-23 v2 高能物理 - 实验
高能物理 - 理论
计算物理
数据分析、统计与概率
摘要
标准模型(SM)的不足促使人们对其进行扩展,以容纳暗物质和中微子质量等预期的新现象。然而,由于存在大量自由参数和额外的唯象学,此类扩展通常更为复杂。理解理论和实验限制如何单独及共同影响新模型的参数空间,对于进行模型状态分析、推动精确计算或旨在解决特定问题的模型构建至关重要。然而,使用一系列物理工具来检查约束通常需要大量时间。我们首次展示了深度学习(DL)在次双希格斯双态模型暗双态相(DDP-N2HDM)的理论与实验约束多标签分类(MLC)中的应用,该模型作为一个具有代表性的9维参数空间。我们分析了类别不平衡问题以及分类器学习联合类别分布的能力。我们展示了相较于物理工具的时间优势,分类器在约束组检查上实现了快几个数量级的速度且表现优异。分类器在识别所有约束均有效或均无效的区域,以及一个或多个约束同时有效或无效的区域方面表现强劲。该方法可应用于任何超出标准模型的扩展,具有辅助高能物理工具或作为快速模型状态检查代理的潜力。为此,我们提供了一个Python工具 \texttt{HEPMLC},用于生成和研究标准模型扩展的多标签分类器。
引用
@article{arxiv.2409.05453,
title = {Fast multilabel classification of HEP constraints with deep learning},
author = {Maien Binjonaid},
journal= {arXiv preprint arXiv:2409.05453},
year = {2025}
}
备注
Changed the title and improved the manuscript throughout. Accepted in Physical Review D